Animal tissue-based quantitative comparison of dual-energy CT to SPR conversion methods using high-resolution gel dosimetry
Notice bibliographique
Résumé
Dual-energy computed tomography (DECT) has been shown to allow for more accurate ion therapy treatment planning by improving the estimation of tissue stopping power ratio (SPR) relative to water, among other tissue properties. In this study, we measured and compared the accuracy of SPR values derived using both dual- and single-energy CT (SECT) based on different published conversion algorithms. For this purpose, a phantom setup containing either fresh animal soft tissue samples (beef, pork) and a water reference or tissue equivalent plastic materials was designed and irradiated in a clinical proton therapy facility. Dosimetric polymer gel was positioned downstream of the samples to obtain a three-dimensional proton range distribution with high spatial resolution. The mean proton range in gel for each tissue relative to the water sample was converted to a SPR value. Additionally, the homogeneous samples were probed with a variable water column encompassed by two ionization chambers to benchmark the SPR accuracy of the gel dosimetry. The SPR values measured with both methods were consistent with a mean deviation of 0.2%, but the gel dosimetry captured range variations up to 5 mm within individual samples.Across all fresh tissue samples the SECT approach yielded significantly greater mean absolute deviations from the SPR deduced using gel range measurements, with an average difference of 1.2%, compared to just 0.3% for the most accurate DECT-based algorithm. These results show a significant advantage of DECT over SECT for stopping power prediction in a realistic setting, and for the first time allow to compare a large set of methods under the same conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».